Таблица лидеров AI Benchy

Name: Результаты бенчмарка моделей AI BENCHY
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

Бенчмарки сгенерированы из тестовых наборов AI BENCHY в: 2026-09-04 Оценено моделей: 316

Рекомендуемые модели

GPT-5.6 Sol high Интеллектуальная Доля успешных попыток 89.4% Тестов верно 18 / 22 Оценка 9.4/10 GPT-5.6 Luna medium Быстрая Время ответа (среднее) 7.43s Общее число выходных токенов 44,525 Оценка 7.4/10 DeepSeek V4 Flash 0731 high Доступная Цена входа $0.065 / 1M Цена выхода $0.180 / 1M Оценка 8.0/10

316/316

Ранг	Модель	Оценка	Компания	Общая стоимость	Время ответа (среднее)
#58#58	Gemini 2.5 Flashmedium	8.2	Google	$0.644	21.14s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 1 Входные токены 132,507 Выходные токены 12,739 Токены рассуждений 228,626 Время ответа (среднее) 21.14s Время ответа (суммарно) 465.10s Время ответа (макс.) 140.50s Неверный ответ: 6 Не соблюдены инструкции: 1 Анти-ИИ уловки : 8.4 Программирование : 7.8 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.9 Общий интеллект : 4.8 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#59#59	Muse Spark 1.3low	8.2	Meta	$0.689	16.03s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 81.8% Нестабильные тесты 5 Входные токены 116,947 Выходные токены 11,026 Токены рассуждений 116,685 Время ответа (среднее) 16.03s Время ответа (суммарно) 352.69s Время ответа (макс.) 78.72s Неверный ответ: 4 Ошибка API: 1 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#60#60	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 75.8% Нестабильные тесты 3 Входные токены 145,953 Выходные токены 52,330 Токены рассуждений 10,874 Время ответа (среднее) 12.54s Время ответа (суммарно) 275.90s Время ответа (макс.) 66.71s Неверный ответ: 5 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 9.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.8 Следование инструкциям : 9.9 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#62#62	GPT-5 Minimedium	8.1	OpenAI	$0.241	27.64s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 4 Входные токены 98,383 Выходные токены 14,409 Токены рассуждений 93,610 Время ответа (среднее) 27.64s Время ответа (суммарно) 608.02s Время ответа (макс.) 111.48s Неверный ответ: 5 Не соблюдены инструкции: 3 Нет ответа: 1 Тайм-аут: 1 Анти-ИИ уловки : 7.1 Программирование : 10.0 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 4.5 Следование инструкциям : 10.0 Решение головоломок : 5.6 Вызов инструментов : 10.0 Эрудиция : 3.0
#64#64	Inklinghigh	8.0	Thinkingmachines	$1.046	62.57s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 77.3% Нестабильные тесты 3 Входные токены 86,755 Выходные токены 6,057 Токены рассуждений 230,570 Время ответа (среднее) 62.57s Время ответа (суммарно) 1376.46s Время ответа (макс.) 327.51s Неверный ответ: 4 Недопустимый вызов инструмента: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 8.5 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 7.7 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 6.9 Вызов инструментов : 3.0 Эрудиция : 3.0
#65#65	Muse Spark 1.1high	8.0	Meta	$2.253	36.85s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 10 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 6 Входные токены 129,213 Выходные токены 8,356 Токены рассуждений 483,560 Время ответа (среднее) 36.85s Время ответа (суммарно) 810.72s Время ответа (макс.) 196.03s Неверный ответ: 3 Не соблюдены инструкции: 2 Недопустимый вызов инструмента: 2 Ошибка API: 1 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 7.5 Программирование : 10.0 Комбинированный : 5.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 10.0 Следование инструкциям : 6.4 Решение головоломок : 7.8 Вызов инструментов : 9.6 Эрудиция : 3.0
#66#66	DeepSeek V4 Flash 0731low	8.0	DeepSeek	$0.044 ↓	77.55s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 5 Входные токены 93,345 Выходные токены 35,723 Токены рассуждений 350,266 Время ответа (среднее) 77.55s Время ответа (суммарно) 1706.18s Время ответа (макс.) 438.65s Неверный ответ: 7 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 8.2 Программирование : 7.3 Комбинированный : 9.8 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 6.5 Следование инструкциям : 9.9 Решение головоломок : 8.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#67#67	DeepSeek V4 Flash 0731high	8.0	DeepSeek	$0.084 ↓	114.94s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 75.8% Нестабильные тесты 5 Входные токены 96,702 Выходные токены 16,966 Токены рассуждений 496,341 Время ответа (среднее) 114.94s Время ответа (суммарно) 2528.65s Время ответа (макс.) 600.61s Неверный ответ: 4 Не соблюдены инструкции: 2 Ошибка API: 1 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 6.3 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.5 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 3.0
#68#68	GLM 5.2high	8.0	Z.ai	$1.188 ↑	69.86s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 3 Входные токены 83,822 Выходные токены 72,040 Токены рассуждений 292,615 Время ответа (среднее) 69.86s Время ответа (суммарно) 1536.98s Время ответа (макс.) 599.43s Тайм-аут: 3 Нет ответа: 2 Неверный ответ: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 6.4 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.1 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 6.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#69#69	Inklingmedium	8.0	Thinkingmachines	$0.383	15.66s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 75.8% Нестабильные тесты 4 Входные токены 124,062 Выходные токены 12,190 Токены рассуждений 51,652 Время ответа (среднее) 15.66s Время ответа (суммарно) 344.52s Время ответа (макс.) 85.12s Неверный ответ: 4 Ошибка API: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 8.4 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 3.0 Эрудиция : 2.8
#70#70	GPT-5.6 Terrahigh	8.0	OpenAI	$0.836 ↓	11.22s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 2 Входные токены 81,056 Выходные токены 5,055 Токены рассуждений 51,033 Время ответа (среднее) 11.22s Время ответа (суммарно) 246.77s Время ответа (макс.) 91.49s Неверный ответ: 7 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 8.3 Программирование : 7.6 Комбинированный : 8.7 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.1 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#72#72	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 4 Входные токены 101,104 Выходные токены 29,742 Токены рассуждений 0 Время ответа (среднее) 7.73s Время ответа (суммарно) 162.40s Время ответа (макс.) 38.52s Неверный ответ: 6 Ошибка API: 1 Не соблюдены инструкции: 1 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 8.8 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 4.4 Следование инструкциям : 9.8 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#73#73	Step 3.7 Flashmedium	7.9	Stepfun	$0.495	23.51s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 3 Входные токены 114,191 Выходные токены 409,709 Токены рассуждений 0 Время ответа (среднее) 23.51s Время ответа (суммарно) 517.21s Время ответа (макс.) 152.83s Неверный ответ: 6 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Нет ответа: 1 Анти-ИИ уловки : 8.7 Программирование : 8.8 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 4.0 Следование инструкциям : 9.8 Решение головоломок : 5.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#74#74	Qwen3.8 27Blow	7.9	Qwen	~$0.071	39.11s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 68.2% Нестабильные тесты 0 Входные токены 99,705 Выходные токены 1,545 Токены рассуждений 167,784 Время ответа (среднее) 39.11s Время ответа (суммарно) 860.51s Время ответа (макс.) 376.04s Неверный ответ: 4 Нет ответа: 2 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 7.7 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.0 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 3.0 Эрудиция : 3.0
#75#75	Qwen3.7 Plusmedium	7.9	Qwen	$0.277 ↓	53.51s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 75.8% Нестабильные тесты 3 Входные токены 115,242 Выходные токены 6,163 Токены рассуждений 181,174 Время ответа (среднее) 53.51s Время ответа (суммарно) 1177.25s Время ответа (макс.) 315.30s Неверный ответ: 5 Недопустимый вызов инструмента: 1 Тайм-аут: 1 Анти-ИИ уловки : 10.0 Программирование : 6.1 Комбинированный : 8.2 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#76#76	Qwen3.6 Plusmedium	7.8	Qwen	$0.418 ↑	45.52s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 7 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 2 Входные токены 97,698 Выходные токены 6,417 Токены рассуждений 191,215 Время ответа (среднее) 45.52s Время ответа (суммарно) 955.94s Время ответа (макс.) 291.55s Неверный ответ: 5 Ошибка API: 1 Не соблюдены инструкции: 1 Анти-ИИ уловки : 10.0 Программирование : 6.1 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.1 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#77#77	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 78.8% Нестабильные тесты 6 Входные токены 103,916 Выходные токены 8,892 Токены рассуждений 87,343 Время ответа (среднее) 5.12s Время ответа (суммарно) 112.73s Время ответа (макс.) 26.41s Неверный ответ: 6 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 7.9 Комбинированный : 7.3 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 4.1 Общий интеллект : 4.7 Следование инструкциям : 9.8 Решение головоломок : 8.2 Вызов инструментов : 10.0 Эрудиция : 2.8
#79#79	GPT-5.6 Terramedium	7.8	OpenAI	$0.523 ↓	6.85s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 2 Входные токены 79,184 Выходные токены 4,878 Токены рассуждений 25,471 Время ответа (среднее) 6.85s Время ответа (суммарно) 150.65s Время ответа (макс.) 41.68s Неверный ответ: 8 Анти-ИИ уловки : 8.3 Программирование : 6.1 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 5.3 Общий интеллект : 5.5 Следование инструкциям : 10.0 Решение головоломок : 8.4 Вызов инструментов : 10.0 Эрудиция : 3.0
#80#80	Claude Sonnet 4.6medium	7.8	Anthropic	$2.126	28.08s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 8 Надежность 10.0 Доля успешных попыток 65.2% Нестабильные тесты 1 Входные токены 106,316 Выходные токены 79,338 Токены рассуждений 41,089 Время ответа (среднее) 28.08s Время ответа (суммарно) 421.15s Время ответа (макс.) 140.96s Неверный ответ: 4 Лишнее форматирование: 3 Тайм-аут: 1 Анти-ИИ уловки : 6.5 Программирование : 5.7 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#82#82	Seed-2.0-Litemedium	7.8	Bytedance Seed	$0.236	47.94s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 69.7% Нестабильные тесты 4 Входные токены 129,906 Выходные токены 12,530 Токены рассуждений 88,766 Время ответа (среднее) 47.94s Время ответа (суммарно) 1054.57s Время ответа (макс.) 254.92s Неверный ответ: 6 Не соблюдены инструкции: 2 Нет ответа: 1 Анти-ИИ уловки : 8.3 Программирование : 8.0 Комбинированный : 6.4 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 6.7 Следование инструкциям : 10.0 Решение головоломок : 9.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#83#83	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 80.3% Нестабильные тесты 3 Входные токены 156,522 Выходные токены 43,056 Токены рассуждений 9,181 Время ответа (среднее) 12.88s Время ответа (суммарно) 283.32s Время ответа (макс.) 127.97s Неверный ответ: 4 Лишнее форматирование: 1 Нет ответа: 1 Анти-ИИ уловки : 10.0 Программирование : 6.6 Комбинированный : 9.9 Парсинг и извлечение данных : 6.3 Предметно-ориентированное : 5.3 Общий интеллект : 10.0 Следование инструкциям : 9.8 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#84#84	Qwen3.7 Flashhigh	7.8	Qwen	$0.052	41.37s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 71.2% Нестабильные тесты 6 Входные токены 116,331 Выходные токены 12,330 Токены рассуждений 357,920 Время ответа (среднее) 41.37s Время ответа (суммарно) 910.11s Время ответа (макс.) 431.47s Неверный ответ: 7 Не соблюдены инструкции: 1 Недопустимый вызов инструмента: 1 Анти-ИИ уловки : 10.0 Программирование : 8.2 Комбинированный : 6.9 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 2.9 Общий интеллект : 5.1 Следование инструкциям : 9.8 Решение головоломок : 7.1 Вызов инструментов : 10.0 Эрудиция : 3.0
#85#85	GLM 5medium	7.7	Z.ai	$0.228 ↓	33.54s
Открыть карточку модели Всего тестов 21 Ошибочных тестов 6 Надежность 10.0 Доля успешных попыток 78.8% Нестабильные тесты 4 Входные токены 35,224 Выходные токены 21,570 Токены рассуждений 102,996 Время ответа (среднее) 33.54s Время ответа (суммарно) 435.99s Время ответа (макс.) 99.85s Неверный ответ: 3 Не соблюдены инструкции: 1 Нет ответа: 1 Тайм-аут: 1 Анти-ИИ уловки : 10.0 Программирование : 10.0 Комбинированный : 5.0 Парсинг и извлечение данных : 7.1 Предметно-ориентированное : 3.5 Общий интеллект : 6.1 Следование инструкциям : 10.0 Решение головоломок : 10.0 Вызов инструментов : 10.0 Эрудиция : 3.0
#87#87	Claude Opus 4.6medium	7.7	Anthropic	$2.961	32.23s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 9 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 3 Входные токены 108,573 Выходные токены 69,994 Токены рассуждений 26,728 Время ответа (среднее) 32.23s Время ответа (суммарно) 515.65s Время ответа (макс.) 151.51s Лишнее форматирование: 4 Неверный ответ: 4 Не соблюдены инструкции: 1 Анти-ИИ уловки : 6.4 Программирование : 5.7 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.0 Общий интеллект : 10.0 Следование инструкциям : 10.0 Решение головоломок : 7.7 Вызов инструментов : 10.0 Эрудиция : 3.0
#88#88	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.476 ↑	92.50s
Открыть карточку модели Всего тестов 22 Ошибочных тестов 12 Надежность 10.0 Доля успешных попыток 63.6% Нестабильные тесты 6 Входные токены 90,757 Выходные токены 22,928 Токены рассуждений 186,516 Время ответа (среднее) 92.50s Время ответа (суммарно) 2035.01s Время ответа (макс.) 416.76s Неверный ответ: 7 Не соблюдены инструкции: 2 Ошибка API: 1 Нет ответа: 1 Тайм-аут: 1 Анти-ИИ уловки : 5.7 Программирование : 6.3 Комбинированный : 10.0 Парсинг и извлечение данных : 10.0 Предметно-ориентированное : 3.6 Общий интеллект : 10.0 Следование инструкциям : 7.8 Решение головоломок : 6.9 Вызов инструментов : 9.8 Эрудиция : 3.0

Глобальные тренды бенчмарка

Посмотрите, как современные модели балансируют оценку, стоимость, скорость, длину ответа и результаты по категориям.

Графики →

Граница Парето: интеллект и стоимость

Рост лучших оценок ведущих компаний со временем

Граница Парето: интеллект и скорость ответа

Граница Парето: оценка и выходные токены

Сложность категорий по всем моделям

Быстрое сравнение

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6 Astrahigh GPT-6 AstrahighvsGPT-6 Astraxhigh GPT-6 AstraxhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow GPT-6 AstralowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium